PulseAugur
中
实时 10:00:08
English(EN) Natural Image Classification via Quasi-Cyclic Graph Ensembles and Random-Bond Ising Models at the Nishimori Temperature

受物理学启发的图集成在图像分类中实现高精度

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的受物理学启发的自然图像分类方法，摆脱了计算成本高昂的高维CNN特征。他们将冻结的MobileNetV2特征解释为准循环LDPC图上的伊辛自旋，形成一个随机键伊辛模型。通过在该模型上以其西森森温度运行，他们建立了谱拓扑对应关系以抑制有害的图子结构，在保持ImageNet-10和ImageNet-100等数据集高精度的同时，显著降低了维度。 AI

影响 引入了一种新颖的、受物理学启发的用于图像分类模型的降维技术，可能带来更高效的推理。

排序理由 这是一篇详细介绍图像分类新方法的学术论文。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

受物理学启发的图集成在图像分类中实现高精度

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · V. S. Usatyuk, D. A. Sapozhnikov, S. I. Egorov ·

    基于准循环图集成和Nishimori温度下的随机键伊辛模型进行自然图像分类

    arXiv:2508.18717v3 Announce Type: replace-cross Abstract: Modern multi-class image classification uses high-dimensional CNN features that incur large memory and computational costs and obscure the data manifold's geometry. Existing graph-based spectral classifiers work on synthet…

相关实体

相关话题